摘要针对水产养殖中鱼类病害人工识别效率低、主观性强等问题本文基于YOLO26架构构建了一套四类鱼病害识别检测系统。系统涵盖EUS流行性溃疡综合征、Eye disease眼病、Fin lesions鳍病变和Rotten gills烂鳃病四种常见病害。实验采用2,321张标注图像进行训练在255张验证集和290张测试集上评估模型性能。结果表明模型整体mAP50达到0.847其中Rotten gills识别效果最优mAP500.992推理速度达3.4ms/帧。混淆矩阵分析显示模型对EUS和Eye disease存在一定背景误判但总体性能满足实际水产养殖场景下的辅助诊断需求。本研究为智能化鱼类健康监测提供了可行的技术方案。关键词YOLO26鱼类病害检测目标检测水产养殖深度学习引言随着全球水产养殖业的集约化、规模化发展鱼类病害问题日益突出已成为制约产业可持续发展的关键因素之一。传统的病害检测主要依赖人工目视巡检和经验判断不仅效率低下、劳动强度大而且易受主观因素影响往往在病害大规模爆发后才能被发现导致严重的经济损失。因此研发快速、准确、自动化的鱼类病害识别系统具有重要的现实意义和应用价值。近年来以深度学习为代表的计算机视觉技术在农业病害识别领域取得了显著进展。其中YOLOYou Only Look Once系列模型因其端到端的检测架构和优异的实时性能在目标检测任务中得到广泛应用。YOLO26作为Ultralytics公司推出的最新版本在检测精度与推理速度之间实现了更好的平衡特别适合部署在边缘计算设备上满足水产养殖现场的实时监测需求。目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景水产养殖病害检测的现实需求计算机视觉在水产领域的应用进展数据集介绍3.2 病害类别定义训练结果整体性能评估​编辑优势问题各类别详细分析​编辑​编辑​编辑​编辑混淆矩阵关键发现​编辑训练曲线分析​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景水产养殖病害检测的现实需求中国是全球最大的水产品生产国水产养殖产量占世界总产量的60%以上。在集约化养殖模式下鱼类病害的发生频率和传播速度显著增加。据农业农村部统计每年因病害导致的水产养殖经济损失高达数十亿元人民币。常见的细菌性、病毒性、寄生虫性病害如EUS、烂鳃病、鳍腐烂病等具有传染性强、潜伏期短、死亡率高等特点。如果不能及时发现并采取隔离或治疗措施往往在3-7天内即可导致整池鱼群的大量死亡。传统的人工巡检方法存在明显的局限性。首先大型养殖场动辄数百个池塘人工逐池观察耗时耗力难以做到高频次全覆盖。其次早期病害的肉眼可见病灶往往非常细微即使是经验丰富的技术人员也容易漏检。第三病害诊断需要专业知识基层养殖户往往不具备准确的鉴别能力容易延误最佳防治时机。第四随着劳动力成本上升和从业人员老龄化养殖场越来越难以维持足够的技术巡检人员。因此开发一套能够自动、实时、非侵入式检测鱼病害的智能化系统已成为水产养殖行业数字化转型的迫切需求。计算机视觉在水产领域的应用进展计算机视觉技术在水产养殖中的应用经历了从传统图像处理到深度学习的演变。早期研究主要采用颜色特征、纹理分析、形态学操作等手工特征结合SVM、随机森林等分类器但这类方法对光照变化、水质浑浊、病害形态多样性等情况的鲁棒性较差。2015年以后卷积神经网络CNN的兴起极大地推动了该领域的发展。在鱼类种类识别、数量计数、行为分析、体型估测等任务上ResNet、Inception、EfficientNet等分类网络取得了超越传统方法的性能。在病害检测方面研究人员尝试使用Faster R-CNN、SSD等两阶段或单阶段检测器识别鱼体表面的溃疡、出血点、鳍条腐烂等异常症状。YOLO系列模型的出现进一步改变了实时检测的可能性。从YOLOv3到YOLO26模型在保持高帧率的同时持续提升检测精度。特别是YOLOv8引入的无锚框Anchor-Free设计、C2f模块、解耦头Decoupled Head等创新结构使其在检测小目标和密集目标时表现出色。这对鱼病害识别尤为重要——早期病灶通常只占图像中很小的像素区域且可能出现在鱼体的任意位置。数据集介绍所有原始图像经过筛选剔除模糊、曝光过度、无鱼体或病害特征不明显的无效样本最终保留有效图像2,866张训练集2,321张、验证集255张、测试集290张。图像以JPEG格式存储统一缩放到640×640像素输入模型。3.2 病害类别定义根据水产病理学标准和实际养殖中最常见、经济损失最严重的病害类型本研究定义了四个检测类别类别名称英文缩写病害描述典型病灶特征EUSEUS流行性溃疡综合征体表出现红色溃疡斑后期发展为深部坏死性溃疡常伴有真菌菌丝Eye diseaseEye disease眼病眼球突出、浑浊、白斑、出血或眼球脱落Fin lesionsFin lesions鳍病变鳍条边缘发白、腐烂、缺损鳍膜破损Rotten gillsRotten gills烂鳃病鳃丝颜色变淡、黏液增多、组织坏死、鳃盖张开训练结果整体性能评估优势总体精度较高mAP50达到0.847mAP50-95为0.452说明模型对鱼病害有较好的识别能力特定病害表现优异Rotten gills烂鳃病达到0.992的mAP50近乎完美推理速度快3.4ms/图适合实时检测场景硬件利用率高使用RTX 4090 DCUDA加速正常问题部分类别召回率偏低Eye disease召回率仅0.684各类别详细分析类别样本数PrecisionRecallmAP50mAP50-95评价Rotten gills570.9540.9820.9920.556优秀Fin lesions840.8730.8100.8360.456良好EUS2060.8120.7530.8240.431良好Eye disease790.7720.6840.7380.364待提升混淆矩阵关键发现从归一化混淆矩阵看出EUS识别问题24%被误判为背景说明部分EUS病灶特征不明显或标注边界问题Eye disease混淆严重32%被误判为背景25%被误判为EUSFin lesions表现中等19%被误判为背景Rotten gills表现最佳仅2%误判98%正确识别训练曲线分析训练损失box_loss从1.7降至0.4cls_loss从5降至约0.01收敛良好验证损失稳定下降无明显过拟合性能指标precision、recall、mAP50、mAP50-95均呈上升趋势并趋于稳定Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频